Skill creada en esta sesión. El código de color muestra la sintaxis YAML del frontmatter y el cuerpo Markdown.
--- name: analista-retención-churn description: Analiza datos de comportamiento de usuarios SaaS (CSVs de eventos: logins, feature usage, tickets) para detectar patrones de abandono, calcular un score de churn 0-100 por usuario, y generar un informe priorizado con recomendaciones de retención accionables por segmento. metadata: tipo: análisis nivel: avanzado dependencias: [python3, pandas, matplotlib] acceso: gratis --- # Analista de Retención y Churn Detecta usuarios en riesgo de abandono en productos SaaS a partir de logs de eventos. Produce un informe con scoring, segmentación por riesgo y recomendaciones de retención adaptadas a cada perfil. ## Inputs esperados - CSV con columnas: user_id, event_type, timestamp, plan - Umbral de inactividad en días (default: 30) - Segmento opcional: plan para filtrar (ej. Pro, Enterprise) ## Proceso ### 1. Inspeccionar los datos Carga el CSV. Verifica columnas requeridas. Informa al usuario de filas corruptas o planes inesperados antes de continuar. ### 2. Calcular score de churn Usa scripts/detect_churn.py. El script calcula por usuario: # Score = 0.4×(días_inactivo/umbral) + 0.35×(tickets_sin_resolver/max_tickets) # + 0.25×(1 - feature_diversity/total_features) # Clamped 0→100. Alto = mayor riesgo de churn. ### 3. Segmentar por riesgo | Segmento | Score | Acción recomendada | |----------|-------|--------------------------------------------| | Crítico | ≥70 | Llamada directa CSM en <48h | | Alto | 50-69 | Email personalizado + oferta de retención | | Medio | 30-49 | Campaña de re-engagement automatizada | | Bajo | <30 | Monitor pasivo, sin intervención urgente | ### 4. Generar informe Escribe churn_report.md con: - Resumen ejecutivo (# usuarios por segmento, ACV en riesgo estimado) - Tabla top-20 usuarios por score descendente - Sección de acciones por segmento con copy listo para usar ## Output - churn_report.md — informe Markdown con tabla y recomendaciones - activity_heatmap.html — heatmap HTML autocontenido (opcional)
Comparación con skill vs. baseline (sin skill). 3 casos × 6 assertions = 18 checks por config.
| Caso | Configuración | Pass rate | Tokens | Duración | Delta |
|---|---|---|---|---|---|
|
NovaSaaS Q3
Análisis trimestral CSV
|
● Con skill | 8 420 | 11.2s | +50pp | |
| ○ Baseline | 11 204 | 19.8s | — | ||
|
RRHH SaaS urgente
500 usuarios, llamadas urgentes
|
● Con skill | 7 891 | 10.1s | +33pp | |
| ○ Baseline | 14 320 | 24.3s | — | ||
|
CloudMetrics tier Pro
Filtro por plan Pro
|
● Con skill | 9 103 | 15.9s | +17pp | |
| ○ Baseline | 16 011 | 28.7s | — |
Pro-Annual). Acción: normalizar plan names en detect_churn.py.
Vista que el humano usa para dar feedback caso por caso antes de que el sistema mejore la skill.
El script evalúa 20 queries de activación (60% train / 40% test) y propone mejoras iterativas a la descripción para maximizar la tasa de activación correcta.
# Lanzado en background — claude-sonnet-4-6 python -m scripts.run_loop \ --eval-set workspace/trigger-evals.json \ --skill-path analista-retención-churn/ \ --model claude-sonnet-4-6 \ --max-iterations 5 \ --verbose # Iteración 1/5 ■■■■■□□□□□□□□□□□□□□□ (20/20 queries) # Train: 12/12 correct (100%) · Test: 6/8 correct (75%) # Iteración 2/5 ■■■■■■■■□□□□□□□□□□□□ (evaluando...)
"Skill para análisis de churn en SaaS. Detecta usuarios que van a abandonar."
"Analiza datos de comportamiento de usuarios SaaS (CSVs de eventos: logins, feature usage, tickets) para detectar patrones de abandono, calcular un score de churn 0-100 por usuario, y generar un informe priorizado con recomendaciones de retención accionables por segmento."